Alon Eirew, CTO (IA) da MCE Systems – Série de Entrevistas

Alon Eirew, CTO (IA) da MCE Systems, lidera a estratégia de IA da empresa e a pilha de tecnologia de ponta a ponta, abrangendo arquitetura, desenvolvimento de modelos, infraestrutura, integração de produtos e a adoção mais ampla de IA nas operações internas. Anteriormente, ele passou mais de nove anos na Intel (INTC ), progredindo de engenheiro de software sênior e arquiteto de software para Lead Natural Language Processing (NLP) Research Scientist, onde dirigiu pesquisas de extração de conhecimento, garantindo financiamento para projetos de vários anos, publicou artigos em conferências de NLP importantes e mentorou startups por meio do Intel Ignite. No início de sua carreira, Eirew ajudou a desenvolver tecnologia de assistente pessoal na Telmap que mais tarde se tornou parte da Intel, e desde então ele tem aconselhado empresas de IA em estágio inicial enquanto ensinava ciência da computação, programação orientada a objetos, mineração de dados e recuperação de informações em várias universidades israelenses.

MCE Systems desenvolve uma camada de experiência nativa em IA para provedores de telecomunicações, conectando sistemas legados, dados em tempo real e fluxos de trabalho inteligentes para apoiar interações de clientes em vários pontos de contato. Fundada em 2005, a empresa construiu seu negócio em torno do gerenciamento do ciclo de vida de dispositivos digitais, com tecnologia que abrange diagnósticos de dispositivos e cuidado, programas de troca, graduação remota de dispositivos e devoluções. A MCE está aplicando cada vez mais IA generativa e agente nos fluxos de trabalho, ajudando os operadores a detectar problemas de dispositivos, orientar os clientes por meio de possíveis resoluções e coordenar jornadas de serviço mais complexas em canais digitais e assistidos.

Você passou quase uma década na Intel trabalhando com NLP, extração de conhecimento, recuperação de informações e até tecnologias de assistente pessoal iniciais que originaram na Telmap antes de se tornar parte da Intel. Olhando para trás, quais ideias desses sistemas de IA iniciais se mostraram à frente do seu tempo, e quais suposições a indústria errou completamente?

Uma ideia claramente à frente do seu tempo foi o assistente pessoal que trabalhamos antes da era LLM. Esses sistemas entendiam a intenção, conectavam o contexto entre tarefas e ajudavam os usuários a alcançar metas de forma natural. Eles tinham as mesmas ambições dos agentes de hoje. A diferença estava na abordagem subjacente: em vez de modelos de linguagem, confiávamos em uma combinação de aprendizado de máquina e algoritmos para inferir a intenção do usuário. Esse método, no entanto, provou ser difícil quando aplicado em escala, considerando as diferentes maneiras pelas quais os usuários expressam o mesmo pedido.

Imagine empregar um representante de serviço para lidar com milhares de consultas de clientes, mas ele só pode lidar com consultas que são estruturadas com uma estrutura de frase específica. Como você pode imaginar, isso cobriria apenas uma faixa pequena de casos de uso e seria difícil lidar com muitos problemas de clientes. Os LLMs mudaram tudo. Hoje, entender a intenção do usuário foi amplamente resolvido. Então, em nossa analogia, o representante agora é flexível e pode falar com milhões de clientes.

Embora eu não diria que a indústria errou completamente, acredito que muitos subestimaram apenas o quão central os modelos de linguagem se tornariam. O grande salto veio quando os primeiros modelos de linguagem, como ELMo, BERT e RoBERTa, foram introduzidos. Na época, poucos realmente entenderam a gravidade da transformação que estava a caminho. Esses foram os modelos básicos dos LLMs modernos que usamos todos os dias e que mal podemos imaginar não ter.

A maioria das empresas viu esses modelos iniciais como componentes úteis em aplicações estreitas, não como a base para um novo paradigma de computação. Em retrospecto, muitas delas perderam a oportunidade de se posicionar como grandes jogadores de IA.

Durante sua carreira de pesquisa, você se concentrou em extração de conhecimento de vários documentos e compreensão de eventos. À medida que as empresas dependem cada vez mais de grandes modelos de linguagem, por que você acredita que a extração de conhecimento estruturada permanece um desafio crítico?

Os LLMs são ferramentas poderosas para abordar uma variedade de tópicos, mas as aplicações empresariais e os usuários finais precisam de expertise para resolver um problema específico, o que exige acesso a conhecimento. Esse conhecimento contextual proprietário não é normalmente dados de treinamento de um modelo, então implantar um LLM em uma empresa significa reunir compreensão em potencialmente milhões de pontos de dados internos. Os LLMs atuais lutam muito com isso, perdendo contexto substancial devido a restrições técnicas e de acesso, e essa lacuna limita seu impacto.

Na MCE, por exemplo, oferecemos uma solução de agente de IA para atendimento ao cliente. Um de seus objetivos é permitir que os operadores de telecomunicações ajudem seus clientes a resolver problemas técnicos de dispositivos móveis sem necessidade de intervenção humana. Sem alimentar o agente de IA com informações técnicas contextuais sobre o dispositivo, tudo o que o agente de IA faria seria fornecer resultados genéricos que não resolvem o problema ou são irrelevantes e, em seguida, forçar o cliente a procurar ajuda humana. Esse é o tipo de problema de extração de conhecimento que tivemos que superar para implantar a IA com nossos clientes e é onde as organizações frequentemente falham em obter os resultados que desejam.

Minha própria pesquisa mergulhou na extração de conhecimento e recuperação de informações de grandes coleções de documentos, explorando a relação entre “eventos”, um termo na disciplina de IA usado para definir a causalidade subjacente e o período de tempo de qualquer tipo de representação de informações. Aplicamos isso na MCE dentro de nossas soluções de IA para interação humana, construindo uma compreensão estrutural que pode ajudar os LLMs a melhor resumir, representar e buscar conhecimento para resolver o problema do cliente.

Você publicou pesquisas em conferências de NLP de ponta, incluindo ACL, EMNLP e NAACL. Quais avanços nos últimos cinco anos tiveram o maior impacto real no mundo e quais avanços amplamente divulgados você acredita que estão atualmente superestimados?

Há alguns avanços que se destacam para mim e eles acontecem em uma progressão à medida que os LLMs se desenvolvem.

O primeiro foi em torno do ajuste de instruções e engenharia de prompts. Isso teve que ser resolvido primeiro antes de alcançar uma adoção muito mais ampla. Todos já estivemos lá onde você pede a um LLM algo específico e ele vai em círculos, chegando perto, mas não obtendo a resposta que você precisa. Então, descobrir como os modelos podiam entender o prompt e fornecer resultados precisos foi um grande passo.

Por extensão, o próximo avanço foi para os agentes, que precisavam que os LLMs fossem além de tarefas isoladas e, na verdade, fizessem algumas coisas: criassem planos, interagissem com um usuário final, usassem ferramentas, usassem memória e acessassem conhecimento. Isso foi essencial para onde estamos hoje.

Mas o próximo avanço, que está apenas parcialmente resolvido, mas em andamento, é resolver completamente o problema da alucinação. Até agora, houve muito progresso aqui para que possamos confiar nos LLMs muito mais do que antes. Mas ainda há trabalho a ser feito e outro motivo pelo qual a supervisão humana e as barreiras de segurança permanecem essenciais.

O que está superestimado é o grau de autonomia que as pessoas afirmam que os agentes devem ter. Sistemas completamente autônomos operando em ambientes de negócios complexos sem supervisão humana ainda não são confiáveis o suficiente, na minha opinião. O que considero mais produtivo é projetar a IA para realizar tarefas de alto valor, escalar incertezas e explicar seu raciocínio, sem ceder o controle humano do fluxo geral. É aí que a IA agente criará o valor mais real no curto prazo.

Você trabalhou como pesquisador, arquiteto de software, líder de engenharia, consultor de startups, professor e agora Diretor de IA. Como sua definição de IA bem-sucedida mudou ao longo dessas diferentes etapas de sua carreira?

Ao longo de minha carreira, aprendi que a definição de IA bem-sucedida continua a evoluir e os diferentes valores centrais estão distribuídos por disciplinas. Pesquisa aplicada e arquitetura me ensinaram que a IA deve funcionar sob restrições do mundo real. Pesquisa acadêmica me ensinou a importância da rigorosidade e avaliação. Liderança de engenharia mostrou-me que a execução e a disciplina operacional importam tanto quanto o modelo em si. Aconselhar startups me ensinou que a IA cria o maior impacto quando resolve um problema real e tem um caminho claro para adoção.

Hoje, como diretor de IA na MCE, defino sucesso como IA que cria valor mensurável enquanto ganha a confiança do usuário final. Ela precisa melhorar os resultados para os clientes, funcionários e o negócio, ser confiável o suficiente para produção, transparente o suficiente para ser governada e útil o suficiente para que as pessoas realmente a adotem. Nesse sentido, minha definição evoluiu de “A tecnologia funciona?” para “Ela cria valor de forma responsável, repetidamente e em escala?”

Essa também é a transição que fizemos na MCE, uma que começou há dois anos e nos levou até aqui. O último valor é como pensamos sobre a IA agora para casos de uso internos e para nossos clientes em telecomunicações.

A MCE Systems está aplicando a IA para a experiência do cliente, atendimento ao cliente e marketing em telecomunicações. Quais são os casos de uso de IA mais convincentes que atualmente estão surgindo dentro da indústria de telecomunicações?

Os provedores de serviços de comunicação (CSPs), ou “operadoras” como são usualmente chamados, estão em uma situação difícil, onde enfrentam um problema de commodity. O preço é realmente a força de atração para trazer novos clientes ou retê-los, mas não é sustentável. Se você olhar para outros gigantes que vendem produtos ou serviços de consumo, como Apple (AAPL ), Amazon (AMZN ) ou Netflix (NFLX ), eles construíram um grande produto e uma experiência em torno dele. Isso se desenrolou claramente na área financeira, por exemplo, onde os bancos foram forçados por novos jogadores ágeis a se mover de apenas segurar as economias das pessoas e oferecer produtos de investimento para também oferecer uma experiência digital completa em torno disso. O mesmo acontece com as telecomunicações.

Então, nossa visão é ajudar a trazer valor adicional aos clientes das CSPs com uma melhor experiência em cima do grande produto de conectividade que já fornecem. Isso significa ser mais proativo e comunicativo com os clientes sobre sua experiência geral de rede e dispositivo. E para nós, a IA é o que finalmente permite que eles o façam bem.

Na indústria, no entanto, isso se tornou principalmente uma ferramenta defensiva para cortar custos de mão de obra de centros de chamadas ou tornar os funcionários mais produtivos. Mas para nós, a IA também é uma ferramenta ofensiva para ser proativo com o atendimento ao cliente e personalizar o serviço e o que você oferece aos clientes, tudo no dispositivo móvel do cliente.

Por exemplo, detectar um problema de dispositivo ou de conectividade ou um problema de degradação da bateria antes que o cliente perceba e ajudá-los a resolvê-lo. Essas são experiências que constroem lealdade genuína. Saber a situação do cliente o suficiente para oferecer o pacote de banda larga certo, o acréscimo de dados ou o produto de estilo de vida certo no momento certo impulsiona uma conversão mais alta. E reunir sinais em toda a rede, CRM e dados do dispositivo para prever com precisão a probabilidade de churn e agir cedo é talvez o caso de uso mais poderoso de todos. As CSPs que acertam isso terão uma vantagem significativa.

Há muito hype em torno de se tornar “nativo em IA” ou “pronto para IA”. Como a MCE está abordando esse paradigma e quais são os pontos mais importantes que as organizações perdem nessa transformação?

O que muitos perdem é que a transformação de IA não é apenas uma implantação de tecnologia, mas também uma mudança de modus operandi. As melhores oportunidades são onde a adoção parece natural: o fluxo de trabalho já existe, a dor é mensurável e a IA pode claramente melhorar a velocidade, a qualidade ou a tomada de decisão. A MCE está abordando esse paradigma com algumas ideias.

Começamos perguntando sobre a maturidade das ferramentas de IA e adotando a IA de maneiras que multiplicam a produtividade dos funcionários. Perguntamos como poderíamos educar nossas equipes, definir diretrizes de uso claras e conectar sistemas internos à IA onde ela realmente poderia fazer uma diferença no dia a dia.

Uma vez que avaliamos nossa base de ferramentas, olhamos para a automação de fluxos de trabalho e identificamos onde os agentes poderiam reduzir o trabalho manual. Naturalmente, encontramos que poderíamos reduzir drasticamente o tempo de desenvolvimento. Em um exemplo, um aplicativo altamente funcional, um protótipo, levou apenas alguns dias para criar, quando normalmente levaria duas ou três semanas.

O que é frequentemente subestimado para a produtividade interna é a democratização de dados. Trabalhamos e continuamos trabalhando para fazer um melhor uso de nossos dados internos para que tanto os humanos quanto os sistemas de IA tomem decisões melhores. Isso inclui entender as necessidades do cliente, melhorar as operações e construir produtos que aprendem com a experiência passada. É um processo iterativo e analítico para avaliar o que funciona e o que não funciona.

Muitas organizações estão correndo para implantar agentes de IA. Quais lições práticas você aprendeu sobre onde os sistemas de IA autônomos podem criar valor genuíno versus onde a supervisão humana permanece essencial?

É fácil se deixar levar pelo hype da automação. Mas acredito em abordar os agentes de forma metódica. Eu aconselharia a nunca começar com um nível de automação alvo; em vez disso, comece identificando fluxos de trabalho onde os agentes possam criar valor, divida-os em pedaços menores e pergunte quais desses pedaços podem ser totalmente automatizados, quais semi-automatizados e onde o julgamento humano é necessário.

Na prática, encontramos que os agentes criam o maior valor quando são usados em tarefas altamente definidas, que variam desde a coleta de informações até a análise de entradas, geração de recomendações e preparação de saídas para o próximo passo. A automação ajustada fina, onde a tarefa é simples o suficiente, funciona muito melhor do que tentar automatizar um processo complexo inteiro.

Onde os humanos permanecem essenciais é na supervisão, manipulação de exceções, tomada de decisões sensíveis ao cliente e, em geral, situações onde a responsabilidade importa. O objetivo nunca é substituir a tomada de decisão humana, mas permitir que os agentes lidem com as partes onde eles podem criar valor de forma confiável, enquanto os humanos lidam com as decisões que exigem responsabilidade.

A MCE tem falado sobre usar a IA para entregar experiências de dispositivos mais personalizadas e melhorar a eficiência operacional para os operadores móveis. Como você equilibra a personalização com as crescentes preocupações em torno da privacidade, transparência e confiança do usuário?

Porque a IA parece tão humana, os usuários naturalmente interagem com ela de maneiras que expõem mais do que às vezes deveriam. Isso coloca uma responsabilidade real nas organizações para serem vigilantes e transparentes sobre quais dados são coletados. Um exemplo simples: quando um cliente envia uma captura de tela como parte de um processo de solução de problemas, essa imagem pode capturar acidentalmente informações pessoais na tela. É imperativo que as organizações apliquem salvaguardas para recortar a imagem e remover o conteúdo excessivo visível, mantendo o foco exatamente no que a interação é sobre e reduzindo a exposição de dados desnecessária.

Para mim, qualquer dado que coletamos deve claramente servir aos interesses e necessidades do cliente. Deve ser coletado apenas quando apoia um propósito específico, como resolver a consulta do cliente ou fornecer um grau apropriado de personalização. Ao mesmo tempo, os dados devem ser tratados de maneira que preserve a privacidade, evitando qualquer ligação desnecessária à identidade real do cliente.

Em outras palavras, entender o perfil específico do cliente em relação ao nosso negócio. No nosso caso, como uma organização em conformidade com a privacidade, é sobre saber a condição do dispositivo móvel e o comportamento do usuário, relacionado muito especificamente ao provedor, e não sobre a identidade do cliente e outros tipos de comportamento.

O que também importa é a interação com o cliente em si. Barreiras de segurança são críticas aqui para permanecer dentro do propósito, voz da marca e realmente evitar se afastar do que as organizações estão prontas para governar. Na prática, as barreiras de segurança ajudam a evitar violações legais ou regulamentares e experiências negativas de cliente. Às vezes, esses podem ser processos difíceis, mas são essenciais.

Você ensinou uma variedade de assuntos, desde fundamentos de ciência da computação até recuperação de informações e mineração de dados. Se você estivesse projetando um currículo de IA para estudantes que estão entrando no mercado de trabalho hoje, quais tópicos você priorizaria e quais conceitos ultrapassados você removeria?

O currículo precisa mudar de duas maneiras. Tópicos que antes eram limitados a programas de pós-graduação, como redes neurais, transformadores, grandes modelos de linguagem, geração reforçada por recuperação, avaliação, alinhamento e IA responsável, precisam se tornar assuntos centrais nos cursos de graduação. Os estudantes que estão entrando no mercado de trabalho precisam entender como esses sistemas funcionam e como avaliá-los criticamente.

Os estudantes também precisam aprender a usar a IA de forma responsável como uma ferramenta para aprendizado e pesquisa. Isso significa questionar as saídas, verificar as fontes, entender as limitações e tratar a IA como um parceiro de pensamento, e não como um atalho para fazer o trabalho de casa.

O que eu não cortaria é a matemática e os fundamentos algorítmicos. Eu argumentaria que são tão importantes quanto sempre. O que eu reduziria são tarefas que recompensam a implementação mecânica sem demonstrar pensamento crítico. O foco deve mudar para a formulação de problemas, avaliação, design de sistemas e uso responsável.

Tendo aconselhado várias startups sobre estratégia de IA, quais são os erros mais comuns que os fundadores cometem ao construir produtos de IA, e o que separa as empresas que têm sucesso em mover-se da fase de protótipo para a produção?

O erro mais comum que vejo é se apaixonar pela tecnologia antes de realmente entender o problema, o cliente ou o caminho para a adoção. Um erro próximo é não conhecer as limitações da IA bem o suficiente, então forçá-la em casos de uso onde ela simplesmente não está madura o suficiente ainda.

O que separa os fundadores que chegam à produção bem-sucedida é a profunda expertise em domínio e uma atitude de pesquisa. Os melhores produtos de IA vêm de fundadores que entendem um vertical específico o suficiente para identificar uma lacuna de tecnologia real. Eles não estão começando com “o que podemos fazer com a IA?”, mas com “aqui está um problema específico, aqui está por que as soluções existentes no mercado não atendem e aqui está por que a IA pode resolver isso de forma sustentável agora”.

Além disso, os fundadores bem-sucedidos aprendem constantemente com os clientes, concorrentes, consultores e tentativas fracassadas. Eles estudam como as decisões são tomadas, como os orçamentos se movem e o que cria confiança para o público-alvo. No final do dia, eles não estão apenas construindo um produto, estão construindo algo que precisa sobreviver em um ambiente real e não apenas para seu próprio benefício.

Olhando para os próximos cinco anos, você acredita que o maior impacto da IA virá de modelos de fundação mais poderosos, sistemas agênticos, IA multimodal, inteligência em dispositivos ou uma tendência completamente diferente que a indústria está atualmente subestimando?

O maior impacto não virá apenas das melhorias nos modelos de fundação, mas de como os modelos são incorporados em sistemas que podem observar e agir dentro de fluxos de trabalho reais, enquanto também melhoram. Essa mudança de um modelo poderoso para um sistema capaz é onde espero o progresso mais significativo no curto prazo.

Isso se tornará especialmente forte quando os sistemas se tornarem totalmente multimodais, raciocinando sobre texto, voz, imagens, vídeo e outros sinais contextuais do mundo real, podendo emular de perto como os humanos entendem o mundo. Isso abrirá novas possibilidades em suporte ao cliente, saúde, manufatura, etc.

Outra tecnologia emergente que acredito que se tornará disruptiva são os agentes que interagem com o mundo físico. Empresas como a Boston Dynamics já estão mostrando o que é possível e o potencial de quando percepção, raciocínio, planejamento e ação física convergem. Seja em forma humanoid ou em sistemas robóticos especializados, os agentes com corpos podem provar ser uma das expressões mais tangíveis e revolucionárias da IA que veremos nos próximos cinco anos. Para a MCE, isso cria oportunidades em logística e fluxos de trabalho operacionais, onde muitas tarefas repetitivas e de baixa complexidade ainda exigem interação humana física. Exemplos incluem pegar um dispositivo, pressionar botões, conectar cabos ou mover dispositivos entre estações. Esses são candidatos ideais para automação por meio de robótica e IA, permitindo que os sistemas sejam mais eficientes, consistentes e lidem com muito mais volume.

Para as telecomunicações, ser capaz de prever a perda de clientes e agir sobre ela com modelos de IA é onde o dinheiro estará nos próximos anos. Se você puder construir um modelo confiável que incorpore dados de todos os diferentes pontos de cliente, pode avaliar com precisão a probabilidade de perda e agir sobre ela, você terá resolvido um problema estagnado para os provedores.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar MCE Systems.